Các dữ liệu sau khi thu thập sẽ đƣợc xử lý bằng phần mềm SPSS 20.0. Một số phƣơng pháp phân tích đƣợc sử dụng trong nghiên cứu nhƣ sau:
Thống kê mô tả
Bảng tần số đƣợc lập để mô tả mẫu thu thập theo các thuộc tính nhƣ giới tính, năm học,...
Phƣơng pháp này cho phép ngƣời phân tích loại bỏ các biến không phù hợp và hạn chế các biến rác trong quá trình nghiên cứu và đánh giá độ tin cậy của thang đo bằng hệ số thông qua hệ số Cronbach’s Alpha. Những biến có hệ số tƣơng quan biến tổng (item-total correlation) nhỏ hơn 0.3 sẽ bị loại. Thang đo có hệ số Cronbach’s Alpha từ 0.6 trở lên là có thể sử dụng đƣợc trong trƣờng hợp khái niệm đang nghiên cứu mới (Nunnally, 1978; Peterson, 1994; Slater, 1995; dẫn theo Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005). Thông thƣờng, thang đo có Cronbach’s Alpha từ 0.7 đến 0.8 là sử dụng đƣợc. Nhiều nhà nghiên cứu cho rằng khi thang đo có độ tin cậy từ 0.8 trở lên đến gần 1 là thang đo lƣờng tốt (Hoàng Trọng & Chu Nguyễn Mộng Ngọc, 2005).
Phân tích nhân tố khám phá EFA (Exploratory Factor Analysis)
Trong phân tích nhân tố khám phá, trị số KMO (Kaiser – Meyer – Olkin) là chỉ số dùng để xem xét sự thích hợp của phân tích nhân tố. Trị số KMO phải có giá trị trong khoảng từ 0.5 đến 1 thì phân tích này mới thích hợp, còn nếu nhƣ trị số này nhỏ hơn 0.5 thì phân tích nhân tố có khả năng không thích hợp với các dữ liệu.
Ngoài ra, phân tích nhân tố còn dựa vào eigenvalue để xác định số lƣợng nhân tố. Số lƣợng nhân tố đƣợc xác định ở nhân tố (dừng ở nhân tố) có eigenvalue tối thiểu bằng 1. Những nhân tố có eigenvalue nhỏ hơn 1 sẽ không có tác dụng tóm tắt thông tin tốt hơn một biến gốc (Nguyễn Đình Thọ, 2010).
Nghiên cứu sử dụng phƣơng pháp PCA (Principal Components Analysis) cùng với phép quay vuông góc Varimax vì phƣơng pháp này trích đƣợc nhiều phƣơng sai hơn phƣơng pháp CFM (Nguyễn Đình Thọ, 2010).
Khi sử dụng EFA đánh giá thang đo, cần quan tâm đến trọng số nhân tố và tổng phƣơng sai trích. Theo Nguyễn Đình Thọ (2010), trong thực tiễn nghiên cứu, trọng số nhân tố ≥ 0.5 và chênh lệch trọng số ≤ 0.3 là giá trị chấp nhận. Nếu không đạt 2 giá trị trên thì có thể loại biến đó ra khỏi thang đo. Tuy nhiên nhà nghiên cứu cần xem xét giá trị nội dung của nó trƣớc khi quyết định loại bỏ hay không loại bỏ
một biến đo lƣờng. Cuối cùng, khi đánh giá kết quả EFA chúng ta cần xem xét phần tổng phƣơng sai trích TVE, thông thƣờng TVE ≥ 50% là đạt (từ 60% trở lên là tốt).
Phân tích hồi quy
Sau khi rút trích đƣợc các nhân tố từ phân tích nhân tố khám phá EFA, dò tìm các vi phạm giả định cần thiết trong mô hình hồi quy tuyến tính bội nhƣ kiểm tra phần dƣ chuẩn hóa, kiểm tra giả định tuyến tính, kiểm tra hệ số phóng đại phƣơng sai VIF (Variance inflation factor – VIF). Theo Nguyễn Đình Thọ (2010, trang 497), nếu VIF của một biến độc lập nào đó > 10 thì biến này hầu nhƣ không có giá trị giải thích biến thiên của Y trong mô hình MRL. Tuy nhiên, trong thực tế, nếu VIF > 2, chúng ta nên xem xét các hệ số tƣơng quan của biến đó với biến phụ thuộc.
Nếu các giả định không bị vi phạm, mô hình hồi quy tuyến tính bội đƣợc xây dựng. Và hệ số R2
đã đƣợc điều chỉnh (adjusted R square) cho biết mô hình hồi quy đƣợc xây dựng phù hợp đến mức nào. Mục tiêu của nghiên cứu này là kiểm định lý thuyết khoa học nên sẽ sử dụng phƣơng pháp đồng thời (phƣơng pháp ENTER trong SPSS) để phân tích hồi quy (Nguyễn Đình Thọ, 2010, trang 500).
Kiểm định sự khác biệt các trung bình
Kiểm định T về sự khác biệt các trung bình về sự hài lòng của sinh viên và các thành phần chất lƣợng dịch vụ đào tạo giữa giới tính, khối ngành đào tạo.
Kiểm định ANOVA về sự khác biệt các trung bình về sự hài lòng của sinh viên giữa các các hệ đào tạo và giữa sinh viên các năm.